Claude Haiku 5.5 er Anthropics lille modeludgave til opgaver i store mængder, hvor lav latenstid er vigtig. De vigtigste anvendelser omfatter klassifikation, routing, informationsudtrækning, opsummering, komprimering af samtaler og afgrænset subagentarbejde. Den modtager tekst og billeder og genererer tekst. En nyttig beskrivelse giver et snævert spørgsmål og et eksplicit resultat: en kategori, et defineret sæt felter, et kort resumé eller relevante belæg til en anden del af en større opgave. Hold kildeidentifikatorerne sammen med resultatet, så en applikation kan forbinde de udtrukne oplysninger med originalmaterialet.
Anthropic positionerer udgaven til kundesupport i realtid, browserbetjening og korte kodedeleopgaver samt gentaget analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i et forløb, hvor en større model håndterer et ambitiøst projekt, og Haiku udfører et afgrænset opslag eller resumé. Ved en supportopgave gives spørgsmålet og det tilladte referencemateriale, hvorefter svartone og det nødvendige resultat angives. Ved en kodedeleopgave angives de relevante filer eller uddrag og det præcise spørgsmål frem for at tildele et åbent projekt uden afslutningsbetingelse.
Det dokumenterede kontekstvindue er én million tokens med op til 128.000 outputtokens ved almindelig generering. Ræsonnementstokens tæller med i genereringsrammen, så resultatet kræver plads til både ræsonnement og synlig tekst. Den pålidelige vidensgrænse er juni 2026; senere oplysninger kræver givne belæg eller et søgeværktøj. Anthropic dokumenterer separat en beta kun til batchbehandling, som kan hæve outputtet til 300.000 tokens for denne udgave. Den større ramme kræver udviklerens funktion til udvidet output og er adskilt fra den almindelige grænse. En asynkron batch håndterer anmodninger uafhængigt, hvilket gør den nyttig til samlinger af dokumenter eller poster, hvis resultater behøves efter behandling frem for straks.
Adaptivt ræsonnement er slået til som standard, og effort er den primære indstilling for ræsonnementsdybde. Niveauerne er low, medium, high, xhigh og max med medium som standard. Anthropic anbefaler medium til det meste arbejde, high til mere vedvarende opgaver eller streng instruktionsfølgning og low til enklere, korte anmodninger. Ræsonnement kan slås fra ved low, medium eller high; deaktivering ved xhigh eller max afvises. En prompt, som beder om et direkte svar, erstatter ikke denne indstilling. Manuelle budget_tokens-indstillinger fra Haiku 4.5 overføres ikke til denne udgave, og temperature, top_p og top_k bør udelades i den dokumenterede grænseflade.
Haiku 5.5 bruger den nyere tokenizer, som blev introduceret i tidligere Claude-generationer, og Anthropic anslår, at samme tekst kan bruge omtrent 30% flere tokens end på Haiku 4.5 afhængigt af indholdet. Den bevarer også ræsonnementsblokke fra tidligere assistentture, så samtalestørrelsen kan vokse mere end gennem tokenizerændringen alene. Den mindste promptlængde, som kan caches, er 512 tokens. Hold tidligere ture uændrede, når ræsonnement bevares, og placer nye instruktioner i den seneste tur. Ændring af effort på øverste niveau ugyldiggør samtalens beskedcache; udvikleren dokumenterer en separat beta til ændring af effort i adaptive samtaler. Ingen af disse muligheder påviser et cachehit for en bestemt anmodning.
Ved informationssøgning anbefaler modellens promptingvejledning at give den aktuelle dato sammen med søgeværktøjet og holde de oprindelige system- og værktøjsdefinitioner stabile. Giv en ny dato i den seneste tur, hvis samtalen fortsætter på en senere dag. Angiv det, der skal findes, og bevar de returnerede kilder, før der bedes om en konklusion. En eksempelopgave kan for eksempel spørge efter den dokumenterede adfærd i en bestemt softwareversion efterfulgt af en kort forklaring forankret i den indhentede passage. Applikationen giver søgeværktøjet og returnerer dets faktiske resultater; modellens foreslåede opslag er ikke belæg for, at opslaget fandt sted.
Når struktureret JSON-output kombineres med værktøjer, dokumenterer vejledningen en bestemt interaktion: med ræsonnement slået fra kan Haiku springe et nødvendigt værktøjskald over. Anthropic anbefaler adaptivt ræsonnement til sådanne anmodninger eller at adskille det endelige JSON-krav fra værktøjstrinnet. Definer outputfelterne, og gør det tydeligt, at det endelige svar følger værktøjsresultaterne. En dataudtrækningsbeskrivelse kan angive de krævede felter og repræsentationen af manglende værdier, mens en opslagsbeskrivelse først kan bede om de nødvendige belæg til at udfylde dem. Læs svarblokke efter deres type, da svaret ikke behøver være første blok, og ræsonnementstekst udelades som standard.
Ved længere agentprompts bemærker Anthropic, at effort på low kan stoppe tidligt, springe en søgning over eller udelade en kontrol. Vejledningen anbefaler eksplicitte afslutningsinstruktioner og faktiske kontroller af kodeændringer, før de rapporteres som færdige. Forbered det forventede resultat og de belæg, som ville demonstrere det: de valgte passager til en rapport, den ændrede adfærd til et kodeforslag eller de felter, der er udtrukket fra et dokument. Vejledningen skelner også mellem en brugers besked midt i opgaven og værktøjsoutput: nye brugerinstruktioner hører til i en brugertur, mens de returnerede værktøjsbelæg forbliver adskilte.
Udgaven har sine egne beskyttelsesmekanismer og kan returnere en afvisning for kategorier som skadelig cyberaktivitet, biologisk skade, udvikling af konkurrerende modeller eller andre forbudte anvendelser. Udvikleren dokumenterer ikke serverbaseret fallback for Haiku 5.5. Vejledningen bemærker også, at effort på xhigh lejlighedsvis kan afslutte et svar i en samtale med flere ture uden synlig svartekst, og at tekst, som ligner ræsonnement, kan forekomme oftere ved effort på low eller med ræsonnement slået fra. Det er bestemte adfærdsmønstre, som skal tages i betragtning, når et forløb kræver et synligt, struktureret resultat. Ved almindeligt udtræknings- eller resuméarbejde bruges en afgrænset kilde, et defineret output og det indsatsniveau, som passer til opgaven.
", "aboutText": "Claude Haiku 5.5 er Anthropics lille modeludgave til opgaver i store mængder, hvor lav latenstid er vigtig. De vigtigste anvendelser omfatter klassifikation, routing, informationsudtrækning, opsummering, komprimering af samtaler og afgrænset subagentarbejde. Den modtager tekst og billeder og genererer tekst. En nyttig beskrivelse giver et snævert spørgsmål og et eksplicit resultat: en kategori, et defineret sæt felter, et kort resumé eller relevante belæg til en anden del af en større opgave. Hold kildeidentifikatorerne sammen med resultatet, så en applikation kan forbinde de udtrukne oplysninger med originalmaterialet.\n\nAnthropic positionerer udgaven til kundesupport i realtid, browserbetjening og korte kodedeleopgaver samt gentaget analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i et forløb, hvor en større model håndterer et ambitiøst projekt, og Haiku udfører et afgrænset opslag eller resumé. Ved en supportopgave gives spørgsmålet og det tilladte referencemateriale, hvorefter svartone og det nødvendige resultat angives. Ved en kodedeleopgave angives de relevante filer eller uddrag og det præcise spørgsmål frem for at tildele et åbent projekt uden afslutningsbetingelse.\n\nDet dokumenterede kontekstvindue er én million tokens med op til 128.000 outputtokens ved almindelig generering. Ræsonnementstokens tæller med i genereringsrammen, så resultatet kræver plads til både ræsonnement og synlig tekst. Den pålidelige vidensgrænse er juni 2026; senere oplysninger kræver givne belæg eller et søgeværktøj. Anthropic dokumenterer separat en beta kun til batchbehandling, som kan hæve outputtet til 300.000 tokens for denne udgave. Den større ramme kræver udviklerens funktion til udvidet output og er adskilt fra den almindelige grænse. En asynkron batch håndterer anmodninger uafhængigt, hvilket gør den nyttig til samlinger af dokumenter eller poster, hvis resultater behøves efter behandling frem for straks.\n\nAdaptivt ræsonnement er slået til som standard, og effort er den primære indstilling for ræsonnementsdybde. Niveauerne er low, medium, high, xhigh og max med medium som standard. Anthropic anbefaler medium til det meste arbejde, high til mere vedvarende opgaver eller streng instruktionsfølgning og low til enklere, korte anmodninger. Ræsonnement kan slås fra ved low, medium eller high; deaktivering ved xhigh eller max afvises. En prompt, som beder om et direkte svar, erstatter ikke denne indstilling. Manuelle budget_tokens-indstillinger fra Haiku 4.5 overføres ikke til denne udgave, og temperature, top_p og top_k bør udelades i den dokumenterede grænseflade.\n\nHaiku 5.5 bruger den nyere tokenizer, som blev introduceret i tidligere Claude-generationer, og Anthropic anslår, at samme tekst kan bruge omtrent 30% flere tokens end på Haiku 4.5 afhængigt af indholdet. Den bevarer også ræsonnementsblokke fra tidligere assistentture, så samtalestørrelsen kan vokse mere end gennem tokenizerændringen alene. Den mindste promptlængde, som kan caches, er 512 tokens. Hold tidligere ture uændrede, når ræsonnement bevares, og placer nye instruktioner i den seneste tur. Ændring af effort på øverste niveau ugyldiggør samtalens beskedcache; udvikleren dokumenterer en separat beta til ændring af effort i adaptive samtaler. Ingen af disse muligheder påviser et cachehit for en bestemt anmodning.\n\nVed informationssøgning anbefaler modellens promptingvejledning at give den aktuelle dato sammen med søgeværktøjet og holde de oprindelige system- og værktøjsdefinitioner stabile. Giv en ny dato i den seneste tur, hvis samtalen fortsætter på en senere dag. Angiv det, der skal findes, og bevar de returnerede kilder, før der bedes om en konklusion. En eksempelopgave kan for eksempel spørge efter den dokumenterede adfærd i en bestemt softwareversion efterfulgt af en kort forklaring forankret i den indhentede passage. Applikationen giver søgeværktøjet og returnerer dets faktiske resultater; modellens foreslåede opslag er ikke belæg for, at opslaget fandt sted.\n\nNår struktureret JSON-output kombineres med værktøjer, dokumenterer vejledningen en bestemt interaktion: med ræsonnement slået fra kan Haiku springe et nødvendigt værktøjskald over. Anthropic anbefaler adaptivt ræsonnement til sådanne anmodninger eller at adskille det endelige JSON-krav fra værktøjstrinnet. Definer outputfelterne, og gør det tydeligt, at det endelige svar følger værktøjsresultaterne. En dataudtrækningsbeskrivelse kan angive de krævede felter og repræsentationen af manglende værdier, mens en opslagsbeskrivelse først kan bede om de nødvendige belæg til at udfylde dem. Læs svarblokke efter deres type, da svaret ikke behøver være første blok, og ræsonnementstekst udelades som standard.\n\nVed længere agentprompts bemærker Anthropic, at effort på low kan stoppe tidligt, springe en søgning over eller udelade en kontrol. Vejledningen anbefaler eksplicitte afslutningsinstruktioner og faktiske kontroller af kodeændringer, før de rapporteres som færdige. Forbered det forventede resultat og de belæg, som ville demonstrere det: de valgte passager til en rapport, den ændrede adfærd til et kodeforslag eller de felter, der er udtrukket fra et dokument. Vejledningen skelner også mellem en brugers besked midt i opgaven og værktøjsoutput: nye brugerinstruktioner hører til i en brugertur, mens de returnerede værktøjsbelæg forbliver adskilte.\n\nUdgaven har sine egne beskyttelsesmekanismer og kan returnere en afvisning for kategorier som skadelig cyberaktivitet, biologisk skade, udvikling af konkurrerende modeller eller andre forbudte anvendelser. Udvikleren dokumenterer ikke serverbaseret fallback for Haiku 5.5. Vejledningen bemærker også, at effort på xhigh lejlighedsvis kan afslutte et svar i en samtale med flere ture uden synlig svartekst, og at tekst, som ligner ræsonnement, kan forekomme oftere ved effort på low eller med ræsonnement slået fra. Det er bestemte adfærdsmønstre, som skal tages i betragtning, når et forløb kræver et synligt, struktureret resultat. Ved almindeligt udtræknings- eller resuméarbejde bruges en afgrænset kilde, et defineret output og det indsatsniveau, som passer til opgaven.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Extract a support handoff\n\nExtract a handoff from this ticket, using only its text: T-184: 'I changed my billing email yesterday. Receipts still go to the old address. My login works. Please resend March and April receipts.' Return ticket ID, requested actions, working function and missing information. Use 'not stated' for absent details.Four labeled fields retaining T-184, the receipt request, the working login and explicitly missing details.Every extracted value must trace to the ticket; do not invent either email address.anthropic/claude-haiku-5.5Claude Haiku 5.5 er Anthropics lille model til klassifikation, udtrækning, resuméer, routing og afgrænsede agentopgaver. Den kombinerer tekst- og billedforståelse med adaptivt ræsonnement og er udformet til gentaget arbejde, som kræver et hurtigt svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Claude Haiku 5.5 er Anthropics lille modeludgave til opgaver i store mængder, hvor lav latenstid er vigtig. De vigtigste anvendelser omfatter klassifikation, routing, informationsudtrækning, opsummering, komprimering af samtaler og afgrænset subagentarbejde. Den modtager tekst og billeder og genererer tekst. En nyttig beskrivelse giver et snævert spørgsmål og et eksplicit resultat: en kategori, et defineret sæt felter, et kort resumé eller relevante belæg til en anden del af en større opgave. Hold kildeidentifikatorerne sammen med resultatet, så en applikation kan forbinde de udtrukne oplysninger med originalmaterialet.
Anthropic positionerer udgaven til kundesupport i realtid, browserbetjening og korte kodedeleopgaver samt gentaget analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i et forløb, hvor en større model håndterer et ambitiøst projekt, og Haiku udfører et afgrænset opslag eller resumé. Ved en supportopgave gives spørgsmålet og det tilladte referencemateriale, hvorefter svartone og det nødvendige resultat angives. Ved en kodedeleopgave angives de relevante filer eller uddrag og det præcise spørgsmål frem for at tildele et åbent projekt uden afslutningsbetingelse.
Det dokumenterede kontekstvindue er én million tokens med op til 128.000 outputtokens ved almindelig generering. Ræsonnementstokens tæller med i genereringsrammen, så resultatet kræver plads til både ræsonnement og synlig tekst. Den pålidelige vidensgrænse er juni 2026; senere oplysninger kræver givne belæg eller et søgeværktøj. Anthropic dokumenterer separat en beta kun til batchbehandling, som kan hæve outputtet til 300.000 tokens for denne udgave. Den større ramme kræver udviklerens funktion til udvidet output og er adskilt fra den almindelige grænse. En asynkron batch håndterer anmodninger uafhængigt, hvilket gør den nyttig til samlinger af dokumenter eller poster, hvis resultater behøves efter behandling frem for straks.
Adaptivt ræsonnement er slået til som standard, og effort er den primære indstilling for ræsonnementsdybde. Niveauerne er low, medium, high, xhigh og max med medium som standard. Anthropic anbefaler medium til det meste arbejde, high til mere vedvarende opgaver eller streng instruktionsfølgning og low til enklere, korte anmodninger. Ræsonnement kan slås fra ved low, medium eller high; deaktivering ved xhigh eller max afvises. En prompt, som beder om et direkte svar, erstatter ikke denne indstilling. Manuelle budget_tokens-indstillinger fra Haiku 4.5 overføres ikke til denne udgave, og temperature, top_p og top_k bør udelades i den dokumenterede grænseflade.
Haiku 5.5 bruger den nyere tokenizer, som blev introduceret i tidligere Claude-generationer, og Anthropic anslår, at samme tekst kan bruge omtrent 30% flere tokens end på Haiku 4.5 afhængigt af indholdet. Den bevarer også ræsonnementsblokke fra tidligere assistentture, så samtalestørrelsen kan vokse mere end gennem tokenizerændringen alene. Den mindste promptlængde, som kan caches, er 512 tokens. Hold tidligere ture uændrede, når ræsonnement bevares, og placer nye instruktioner i den seneste tur. Ændring af effort på øverste niveau ugyldiggør samtalens beskedcache; udvikleren dokumenterer en separat beta til ændring af effort i adaptive samtaler. Ingen af disse muligheder påviser et cachehit for en bestemt anmodning.
Ved informationssøgning anbefaler modellens promptingvejledning at give den aktuelle dato sammen med søgeværktøjet og holde de oprindelige system- og værktøjsdefinitioner stabile. Giv en ny dato i den seneste tur, hvis samtalen fortsætter på en senere dag. Angiv det, der skal findes, og bevar de returnerede kilder, før der bedes om en konklusion. En eksempelopgave kan for eksempel spørge efter den dokumenterede adfærd i en bestemt softwareversion efterfulgt af en kort forklaring forankret i den indhentede passage. Applikationen giver søgeværktøjet og returnerer dets faktiske resultater; modellens foreslåede opslag er ikke belæg for, at opslaget fandt sted.
Når struktureret JSON-output kombineres med værktøjer, dokumenterer vejledningen en bestemt interaktion: med ræsonnement slået fra kan Haiku springe et nødvendigt værktøjskald over. Anthropic anbefaler adaptivt ræsonnement til sådanne anmodninger eller at adskille det endelige JSON-krav fra værktøjstrinnet. Definer outputfelterne, og gør det tydeligt, at det endelige svar følger værktøjsresultaterne. En dataudtrækningsbeskrivelse kan angive de krævede felter og repræsentationen af manglende værdier, mens en opslagsbeskrivelse først kan bede om de nødvendige belæg til at udfylde dem. Læs svarblokke efter deres type, da svaret ikke behøver være første blok, og ræsonnementstekst udelades som standard.
Ved længere agentprompts bemærker Anthropic, at effort på low kan stoppe tidligt, springe en søgning over eller udelade en kontrol. Vejledningen anbefaler eksplicitte afslutningsinstruktioner og faktiske kontroller af kodeændringer, før de rapporteres som færdige. Forbered det forventede resultat og de belæg, som ville demonstrere det: de valgte passager til en rapport, den ændrede adfærd til et kodeforslag eller de felter, der er udtrukket fra et dokument. Vejledningen skelner også mellem en brugers besked midt i opgaven og værktøjsoutput: nye brugerinstruktioner hører til i en brugertur, mens de returnerede værktøjsbelæg forbliver adskilte.
Udgaven har sine egne beskyttelsesmekanismer og kan returnere en afvisning for kategorier som skadelig cyberaktivitet, biologisk skade, udvikling af konkurrerende modeller eller andre forbudte anvendelser. Udvikleren dokumenterer ikke serverbaseret fallback for Haiku 5.5. Vejledningen bemærker også, at effort på xhigh lejlighedsvis kan afslutte et svar i en samtale med flere ture uden synlig svartekst, og at tekst, som ligner ræsonnement, kan forekomme oftere ved effort på low eller med ræsonnement slået fra. Det er bestemte adfærdsmønstre, som skal tages i betragtning, når et forløb kræver et synligt, struktureret resultat. Ved almindeligt udtræknings- eller resuméarbejde bruges en afgrænset kilde, et defineret output og det indsatsniveau, som passer til opgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser anthropic/claude-haiku-5.5 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med100.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end100.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.002 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "anthropic/claude-haiku-5.5", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='anthropic/claude-haiku-5.5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='anthropic/claude-haiku-5.5',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Brug metodestierne vist ovenfor.
anthropic/claude-haiku-5.5Claude Haiku 5.5 er Anthropics lille model til klassifikation, udtrækning, resuméer, routing og afgrænsede agentopgaver. Den kombinerer tekst- og billedforståelse med adaptivt ræsonnement og er udformet til gentaget arbejde, som kræver et hurtigt svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Claude Haiku 5.5 er Anthropics lille modeludgave til opgaver i store mængder, hvor lav latenstid er vigtig. De vigtigste anvendelser omfatter klassifikation, routing, informationsudtrækning, opsummering, komprimering af samtaler og afgrænset subagentarbejde. Den modtager tekst og billeder og genererer tekst. En nyttig beskrivelse giver et snævert spørgsmål og et eksplicit resultat: en kategori, et defineret sæt felter, et kort resumé eller relevante belæg til en anden del af en større opgave. Hold kildeidentifikatorerne sammen med resultatet, så en applikation kan forbinde de udtrukne oplysninger med originalmaterialet.
Anthropic positionerer udgaven til kundesupport i realtid, browserbetjening og korte kodedeleopgaver samt gentaget analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i et forløb, hvor en større model håndterer et ambitiøst projekt, og Haiku udfører et afgrænset opslag eller resumé. Ved en supportopgave gives spørgsmålet og det tilladte referencemateriale, hvorefter svartone og det nødvendige resultat angives. Ved en kodedeleopgave angives de relevante filer eller uddrag og det præcise spørgsmål frem for at tildele et åbent projekt uden afslutningsbetingelse.
Det dokumenterede kontekstvindue er én million tokens med op til 128.000 outputtokens ved almindelig generering. Ræsonnementstokens tæller med i genereringsrammen, så resultatet kræver plads til både ræsonnement og synlig tekst. Den pålidelige vidensgrænse er juni 2026; senere oplysninger kræver givne belæg eller et søgeværktøj. Anthropic dokumenterer separat en beta kun til batchbehandling, som kan hæve outputtet til 300.000 tokens for denne udgave. Den større ramme kræver udviklerens funktion til udvidet output og er adskilt fra den almindelige grænse. En asynkron batch håndterer anmodninger uafhængigt, hvilket gør den nyttig til samlinger af dokumenter eller poster, hvis resultater behøves efter behandling frem for straks.
Adaptivt ræsonnement er slået til som standard, og effort er den primære indstilling for ræsonnementsdybde. Niveauerne er low, medium, high, xhigh og max med medium som standard. Anthropic anbefaler medium til det meste arbejde, high til mere vedvarende opgaver eller streng instruktionsfølgning og low til enklere, korte anmodninger. Ræsonnement kan slås fra ved low, medium eller high; deaktivering ved xhigh eller max afvises. En prompt, som beder om et direkte svar, erstatter ikke denne indstilling. Manuelle budget_tokens-indstillinger fra Haiku 4.5 overføres ikke til denne udgave, og temperature, top_p og top_k bør udelades i den dokumenterede grænseflade.
Haiku 5.5 bruger den nyere tokenizer, som blev introduceret i tidligere Claude-generationer, og Anthropic anslår, at samme tekst kan bruge omtrent 30% flere tokens end på Haiku 4.5 afhængigt af indholdet. Den bevarer også ræsonnementsblokke fra tidligere assistentture, så samtalestørrelsen kan vokse mere end gennem tokenizerændringen alene. Den mindste promptlængde, som kan caches, er 512 tokens. Hold tidligere ture uændrede, når ræsonnement bevares, og placer nye instruktioner i den seneste tur. Ændring af effort på øverste niveau ugyldiggør samtalens beskedcache; udvikleren dokumenterer en separat beta til ændring af effort i adaptive samtaler. Ingen af disse muligheder påviser et cachehit for en bestemt anmodning.
Ved informationssøgning anbefaler modellens promptingvejledning at give den aktuelle dato sammen med søgeværktøjet og holde de oprindelige system- og værktøjsdefinitioner stabile. Giv en ny dato i den seneste tur, hvis samtalen fortsætter på en senere dag. Angiv det, der skal findes, og bevar de returnerede kilder, før der bedes om en konklusion. En eksempelopgave kan for eksempel spørge efter den dokumenterede adfærd i en bestemt softwareversion efterfulgt af en kort forklaring forankret i den indhentede passage. Applikationen giver søgeværktøjet og returnerer dets faktiske resultater; modellens foreslåede opslag er ikke belæg for, at opslaget fandt sted.
Når struktureret JSON-output kombineres med værktøjer, dokumenterer vejledningen en bestemt interaktion: med ræsonnement slået fra kan Haiku springe et nødvendigt værktøjskald over. Anthropic anbefaler adaptivt ræsonnement til sådanne anmodninger eller at adskille det endelige JSON-krav fra værktøjstrinnet. Definer outputfelterne, og gør det tydeligt, at det endelige svar følger værktøjsresultaterne. En dataudtrækningsbeskrivelse kan angive de krævede felter og repræsentationen af manglende værdier, mens en opslagsbeskrivelse først kan bede om de nødvendige belæg til at udfylde dem. Læs svarblokke efter deres type, da svaret ikke behøver være første blok, og ræsonnementstekst udelades som standard.
Ved længere agentprompts bemærker Anthropic, at effort på low kan stoppe tidligt, springe en søgning over eller udelade en kontrol. Vejledningen anbefaler eksplicitte afslutningsinstruktioner og faktiske kontroller af kodeændringer, før de rapporteres som færdige. Forbered det forventede resultat og de belæg, som ville demonstrere det: de valgte passager til en rapport, den ændrede adfærd til et kodeforslag eller de felter, der er udtrukket fra et dokument. Vejledningen skelner også mellem en brugers besked midt i opgaven og værktøjsoutput: nye brugerinstruktioner hører til i en brugertur, mens de returnerede værktøjsbelæg forbliver adskilte.
Udgaven har sine egne beskyttelsesmekanismer og kan returnere en afvisning for kategorier som skadelig cyberaktivitet, biologisk skade, udvikling af konkurrerende modeller eller andre forbudte anvendelser. Udvikleren dokumenterer ikke serverbaseret fallback for Haiku 5.5. Vejledningen bemærker også, at effort på xhigh lejlighedsvis kan afslutte et svar i en samtale med flere ture uden synlig svartekst, og at tekst, som ligner ræsonnement, kan forekomme oftere ved effort på low eller med ræsonnement slået fra. Det er bestemte adfærdsmønstre, som skal tages i betragtning, når et forløb kræver et synligt, struktureret resultat. Ved almindeligt udtræknings- eller resuméarbejde bruges en afgrænset kilde, et defineret output og det indsatsniveau, som passer til opgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser anthropic/claude-haiku-5.5 | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med100.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end100.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.002 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "anthropic/claude-haiku-5.5",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'anthropic/claude-haiku-5.5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'anthropic/claude-haiku-5.5', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Brug metodestierne vist ovenfor.
~anthropic/claude-haiku-latestClaude Haiku 5.5 er Anthropics lille model til klassifikation, udtrækning, resuméer, routing og afgrænsede agentopgaver. Den kombinerer tekst- og billedforståelse med adaptivt ræsonnement og er udformet til gentaget arbejde, som kræver et hurtigt svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Claude Haiku 5.5 er Anthropics lille modeludgave til opgaver i store mængder, hvor lav latenstid er vigtig. De vigtigste anvendelser omfatter klassifikation, routing, informationsudtrækning, opsummering, komprimering af samtaler og afgrænset subagentarbejde. Den modtager tekst og billeder og genererer tekst. En nyttig beskrivelse giver et snævert spørgsmål og et eksplicit resultat: en kategori, et defineret sæt felter, et kort resumé eller relevante belæg til en anden del af en større opgave. Hold kildeidentifikatorerne sammen med resultatet, så en applikation kan forbinde de udtrukne oplysninger med originalmaterialet.
Anthropic positionerer udgaven til kundesupport i realtid, browserbetjening og korte kodedeleopgaver samt gentaget analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i et forløb, hvor en større model håndterer et ambitiøst projekt, og Haiku udfører et afgrænset opslag eller resumé. Ved en supportopgave gives spørgsmålet og det tilladte referencemateriale, hvorefter svartone og det nødvendige resultat angives. Ved en kodedeleopgave angives de relevante filer eller uddrag og det præcise spørgsmål frem for at tildele et åbent projekt uden afslutningsbetingelse.
Det dokumenterede kontekstvindue er én million tokens med op til 128.000 outputtokens ved almindelig generering. Ræsonnementstokens tæller med i genereringsrammen, så resultatet kræver plads til både ræsonnement og synlig tekst. Den pålidelige vidensgrænse er juni 2026; senere oplysninger kræver givne belæg eller et søgeværktøj. Anthropic dokumenterer separat en beta kun til batchbehandling, som kan hæve outputtet til 300.000 tokens for denne udgave. Den større ramme kræver udviklerens funktion til udvidet output og er adskilt fra den almindelige grænse. En asynkron batch håndterer anmodninger uafhængigt, hvilket gør den nyttig til samlinger af dokumenter eller poster, hvis resultater behøves efter behandling frem for straks.
Adaptivt ræsonnement er slået til som standard, og effort er den primære indstilling for ræsonnementsdybde. Niveauerne er low, medium, high, xhigh og max med medium som standard. Anthropic anbefaler medium til det meste arbejde, high til mere vedvarende opgaver eller streng instruktionsfølgning og low til enklere, korte anmodninger. Ræsonnement kan slås fra ved low, medium eller high; deaktivering ved xhigh eller max afvises. En prompt, som beder om et direkte svar, erstatter ikke denne indstilling. Manuelle budget_tokens-indstillinger fra Haiku 4.5 overføres ikke til denne udgave, og temperature, top_p og top_k bør udelades i den dokumenterede grænseflade.
Haiku 5.5 bruger den nyere tokenizer, som blev introduceret i tidligere Claude-generationer, og Anthropic anslår, at samme tekst kan bruge omtrent 30% flere tokens end på Haiku 4.5 afhængigt af indholdet. Den bevarer også ræsonnementsblokke fra tidligere assistentture, så samtalestørrelsen kan vokse mere end gennem tokenizerændringen alene. Den mindste promptlængde, som kan caches, er 512 tokens. Hold tidligere ture uændrede, når ræsonnement bevares, og placer nye instruktioner i den seneste tur. Ændring af effort på øverste niveau ugyldiggør samtalens beskedcache; udvikleren dokumenterer en separat beta til ændring af effort i adaptive samtaler. Ingen af disse muligheder påviser et cachehit for en bestemt anmodning.
Ved informationssøgning anbefaler modellens promptingvejledning at give den aktuelle dato sammen med søgeværktøjet og holde de oprindelige system- og værktøjsdefinitioner stabile. Giv en ny dato i den seneste tur, hvis samtalen fortsætter på en senere dag. Angiv det, der skal findes, og bevar de returnerede kilder, før der bedes om en konklusion. En eksempelopgave kan for eksempel spørge efter den dokumenterede adfærd i en bestemt softwareversion efterfulgt af en kort forklaring forankret i den indhentede passage. Applikationen giver søgeværktøjet og returnerer dets faktiske resultater; modellens foreslåede opslag er ikke belæg for, at opslaget fandt sted.
Når struktureret JSON-output kombineres med værktøjer, dokumenterer vejledningen en bestemt interaktion: med ræsonnement slået fra kan Haiku springe et nødvendigt værktøjskald over. Anthropic anbefaler adaptivt ræsonnement til sådanne anmodninger eller at adskille det endelige JSON-krav fra værktøjstrinnet. Definer outputfelterne, og gør det tydeligt, at det endelige svar følger værktøjsresultaterne. En dataudtrækningsbeskrivelse kan angive de krævede felter og repræsentationen af manglende værdier, mens en opslagsbeskrivelse først kan bede om de nødvendige belæg til at udfylde dem. Læs svarblokke efter deres type, da svaret ikke behøver være første blok, og ræsonnementstekst udelades som standard.
Ved længere agentprompts bemærker Anthropic, at effort på low kan stoppe tidligt, springe en søgning over eller udelade en kontrol. Vejledningen anbefaler eksplicitte afslutningsinstruktioner og faktiske kontroller af kodeændringer, før de rapporteres som færdige. Forbered det forventede resultat og de belæg, som ville demonstrere det: de valgte passager til en rapport, den ændrede adfærd til et kodeforslag eller de felter, der er udtrukket fra et dokument. Vejledningen skelner også mellem en brugers besked midt i opgaven og værktøjsoutput: nye brugerinstruktioner hører til i en brugertur, mens de returnerede værktøjsbelæg forbliver adskilte.
Udgaven har sine egne beskyttelsesmekanismer og kan returnere en afvisning for kategorier som skadelig cyberaktivitet, biologisk skade, udvikling af konkurrerende modeller eller andre forbudte anvendelser. Udvikleren dokumenterer ikke serverbaseret fallback for Haiku 5.5. Vejledningen bemærker også, at effort på xhigh lejlighedsvis kan afslutte et svar i en samtale med flere ture uden synlig svartekst, og at tekst, som ligner ræsonnement, kan forekomme oftere ved effort på low eller med ræsonnement slået fra. Det er bestemte adfærdsmønstre, som skal tages i betragtning, når et forløb kræver et synligt, struktureret resultat. Ved almindeligt udtræknings- eller resuméarbejde bruges en afgrænset kilde, et defineret output og det indsatsniveau, som passer til opgaven.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~anthropic/claude-haiku-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med100.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end100.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.002 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "~anthropic/claude-haiku-latest", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='~anthropic/claude-haiku-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='~anthropic/claude-haiku-latest',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Brug metodestierne vist ovenfor.
~anthropic/claude-haiku-latestClaude Haiku 5.5 er Anthropics lille model til klassifikation, udtrækning, resuméer, routing og afgrænsede agentopgaver. Den kombinerer tekst- og billedforståelse med adaptivt ræsonnement og er udformet til gentaget arbejde, som kræver et hurtigt svar.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Claude Haiku 5.5 er Anthropics lille modeludgave til opgaver i store mængder, hvor lav latenstid er vigtig. De vigtigste anvendelser omfatter klassifikation, routing, informationsudtrækning, opsummering, komprimering af samtaler og afgrænset subagentarbejde. Den modtager tekst og billeder og genererer tekst. En nyttig beskrivelse giver et snævert spørgsmål og et eksplicit resultat: en kategori, et defineret sæt felter, et kort resumé eller relevante belæg til en anden del af en større opgave. Hold kildeidentifikatorerne sammen med resultatet, så en applikation kan forbinde de udtrukne oplysninger med originalmaterialet.
Anthropic positionerer udgaven til kundesupport i realtid, browserbetjening og korte kodedeleopgaver samt gentaget analyse. Den kan supplere Claude Sonnet 5.5 eller Claude Opus 5.5 i et forløb, hvor en større model håndterer et ambitiøst projekt, og Haiku udfører et afgrænset opslag eller resumé. Ved en supportopgave gives spørgsmålet og det tilladte referencemateriale, hvorefter svartone og det nødvendige resultat angives. Ved en kodedeleopgave angives de relevante filer eller uddrag og det præcise spørgsmål frem for at tildele et åbent projekt uden afslutningsbetingelse.
Det dokumenterede kontekstvindue er én million tokens med op til 128.000 outputtokens ved almindelig generering. Ræsonnementstokens tæller med i genereringsrammen, så resultatet kræver plads til både ræsonnement og synlig tekst. Den pålidelige vidensgrænse er juni 2026; senere oplysninger kræver givne belæg eller et søgeværktøj. Anthropic dokumenterer separat en beta kun til batchbehandling, som kan hæve outputtet til 300.000 tokens for denne udgave. Den større ramme kræver udviklerens funktion til udvidet output og er adskilt fra den almindelige grænse. En asynkron batch håndterer anmodninger uafhængigt, hvilket gør den nyttig til samlinger af dokumenter eller poster, hvis resultater behøves efter behandling frem for straks.
Adaptivt ræsonnement er slået til som standard, og effort er den primære indstilling for ræsonnementsdybde. Niveauerne er low, medium, high, xhigh og max med medium som standard. Anthropic anbefaler medium til det meste arbejde, high til mere vedvarende opgaver eller streng instruktionsfølgning og low til enklere, korte anmodninger. Ræsonnement kan slås fra ved low, medium eller high; deaktivering ved xhigh eller max afvises. En prompt, som beder om et direkte svar, erstatter ikke denne indstilling. Manuelle budget_tokens-indstillinger fra Haiku 4.5 overføres ikke til denne udgave, og temperature, top_p og top_k bør udelades i den dokumenterede grænseflade.
Haiku 5.5 bruger den nyere tokenizer, som blev introduceret i tidligere Claude-generationer, og Anthropic anslår, at samme tekst kan bruge omtrent 30% flere tokens end på Haiku 4.5 afhængigt af indholdet. Den bevarer også ræsonnementsblokke fra tidligere assistentture, så samtalestørrelsen kan vokse mere end gennem tokenizerændringen alene. Den mindste promptlængde, som kan caches, er 512 tokens. Hold tidligere ture uændrede, når ræsonnement bevares, og placer nye instruktioner i den seneste tur. Ændring af effort på øverste niveau ugyldiggør samtalens beskedcache; udvikleren dokumenterer en separat beta til ændring af effort i adaptive samtaler. Ingen af disse muligheder påviser et cachehit for en bestemt anmodning.
Ved informationssøgning anbefaler modellens promptingvejledning at give den aktuelle dato sammen med søgeværktøjet og holde de oprindelige system- og værktøjsdefinitioner stabile. Giv en ny dato i den seneste tur, hvis samtalen fortsætter på en senere dag. Angiv det, der skal findes, og bevar de returnerede kilder, før der bedes om en konklusion. En eksempelopgave kan for eksempel spørge efter den dokumenterede adfærd i en bestemt softwareversion efterfulgt af en kort forklaring forankret i den indhentede passage. Applikationen giver søgeværktøjet og returnerer dets faktiske resultater; modellens foreslåede opslag er ikke belæg for, at opslaget fandt sted.
Når struktureret JSON-output kombineres med værktøjer, dokumenterer vejledningen en bestemt interaktion: med ræsonnement slået fra kan Haiku springe et nødvendigt værktøjskald over. Anthropic anbefaler adaptivt ræsonnement til sådanne anmodninger eller at adskille det endelige JSON-krav fra værktøjstrinnet. Definer outputfelterne, og gør det tydeligt, at det endelige svar følger værktøjsresultaterne. En dataudtrækningsbeskrivelse kan angive de krævede felter og repræsentationen af manglende værdier, mens en opslagsbeskrivelse først kan bede om de nødvendige belæg til at udfylde dem. Læs svarblokke efter deres type, da svaret ikke behøver være første blok, og ræsonnementstekst udelades som standard.
Ved længere agentprompts bemærker Anthropic, at effort på low kan stoppe tidligt, springe en søgning over eller udelade en kontrol. Vejledningen anbefaler eksplicitte afslutningsinstruktioner og faktiske kontroller af kodeændringer, før de rapporteres som færdige. Forbered det forventede resultat og de belæg, som ville demonstrere det: de valgte passager til en rapport, den ændrede adfærd til et kodeforslag eller de felter, der er udtrukket fra et dokument. Vejledningen skelner også mellem en brugers besked midt i opgaven og værktøjsoutput: nye brugerinstruktioner hører til i en brugertur, mens de returnerede værktøjsbelæg forbliver adskilte.
Udgaven har sine egne beskyttelsesmekanismer og kan returnere en afvisning for kategorier som skadelig cyberaktivitet, biologisk skade, udvikling af konkurrerende modeller eller andre forbudte anvendelser. Udvikleren dokumenterer ikke serverbaseret fallback for Haiku 5.5. Vejledningen bemærker også, at effort på xhigh lejlighedsvis kan afslutte et svar i en samtale med flere ture uden synlig svartekst, og at tekst, som ligner ræsonnement, kan forekomme oftere ved effort på low eller med ræsonnement slået fra. Det er bestemte adfærdsmønstre, som skal tages i betragtning, når et forløb kræver et synligt, struktureret resultat. Ved almindeligt udtræknings- eller resuméarbejde bruges en afgrænset kilde, et defineret output og det indsatsniveau, som passer til opgaven.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser ~anthropic/claude-haiku-latest | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og med100.000 | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.0004 / 1K tokens |
| KonfigurationAnmodningslængde · niveau 2 | Takstplan— | Konteksttokens, mere end100.000 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.0002 / 1K tokens Output · Outputtokens $0.001 / 1K tokens Input · Cachelæsning $0.00002 / 1K tokens Input · Cacheskrivning $0.00025 / 1K tokens Input · Cacheskrivning, 1 time $0.002 / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "~anthropic/claude-haiku-latest",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~anthropic/claude-haiku-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': '~anthropic/claude-haiku-latest', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra anthropic/claude-haiku-5.5, ~anthropic/claude-haiku-latest
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Extract a support handoff\n\nExtract a handoff from this ticket, using only its text: T-184: 'I changed my billing email yesterday. Receipts still go to the old address. My login works. Please resend March and April receipts.' Return ticket ID, requested actions, working function and missing information. Use 'not stated' for absent details.Four labeled fields retaining T-184, the receipt request, the working login and explicitly missing details.Every extracted value must trace to the ticket; do not invent either email address.